NASKAH PUBLIKASI

ANALISIS BIGDATA DATA LOG WEBSITE DENGAN METODE

MAPREDUCE

Disusun Oleh

Nama : Nopezi Saputra Pratama

Nomor Mahasiswa : 12141421

Program Studi : Teknik Informatika

Jenjang : Strata 1

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN ILMU KOMPUTER

EL RAHMA

YOGYAKARTA

2018

ABSTRACT

ANALYSIS OF BIG DATA LOG WEBSITE WITH METHOD

MAPREDUCE

By

NOPEZI SAPUTRA PRATAMA

12141421

Through information technology, billions of bytes of data are created every day

from various sources, such as social media, video, music, smartphones and computers.

This data stack leads to a collection of Big Data. Data has an important role in strategic

decision making, therefore those who are able to process and utilize existing data in large,

fast and diverse capacities can certainly take great advantage. Including on a website that

has its own hosting or vps, there is a log file that stores every track record of the activity

of the website, so that if it is not processed and managed properly, the longer it will

accumulate so that it can cause a full disk on the hosting or vps that. For this reason, the

log data file is used to be analyzed using one of the Big Data Hadoop technology

developments, cloudera.

The study begins with the use of files containing log data from websites which are

then analyzed using hue which is one application of the cloudera platform from the

development of hadoop-based technology with the programming model or the

MapReduce method. The log file is converted into a CSV file which is then imported

directly into the UI UI that enters into 2 ways, saves it in the Hive database and is saved

into the HDFS system or where the file is stored in the Hadoop

The results of the log data analysis produce information about Big data in this case

the log data contained in a website or server in the hope that it can inspire wider

application of Big Data technology and the log files can be utilized to produce useful

information from the analysis process. generated from the log data.

Keyword : Big Data, byte, hue, cloudera, mapreduce, hadoop, hue UI

ABSTRAK

ANALISIS BIG DATA LOG WEBSITE DENGAN METODE

MAPREDUCE

Oleh

NOPEZI SAPUTRA PRATAMA

12141421

Melalui teknologi informasi, milyaran byte data diciptakan setiap hari dari berbagai

sumber, seperti media social, video, music, smartphone dan computer. Tumpukan data ini

merngarah kepada satu kumpulan Big Data. Data memiliki peran penting dalam

pengambilan keputusan strategis, oleh karena itu pihak yang mampu mengolah dan

memanfaatkan data-data yang ada dalam kapasitas yang besar, cepat dan beragam tentu

dapat mengambil keuntungan yang besar. Termasuk pada sebuah website yang memiliki

hosting atau vps sendiri, terdapat sebuah file log yang menyimpan setiap rekam jejak dari

aktivitas website tersebut, sehingga jika tidak di olah dan dikelola dengan baik, maka

semakin lama akan semakin menumpuk sehingga dapat menyebabkan penuhnya disk

pada hosting atau vps tersebut. Untuk itulah file data log tersebut di gunakan untuk

dianalisa menggunakan salah satu pengembangan teknologi Big Data hadoop yakni

cloudera.

Penelitian diawali dengan penggunaan file yang berisi data log dari website yang

kemudian dianalisis menggunakan hue yang merupakan salah satu aplikasi dari platform

cloudera dari perkembangan teknologi berbasis hadoop dengan model pemograman atau

metode MapReduce. File log tersebut di ubah menjadi file csv dimana kemudian langsung

di import pada hue UI yang masuk kedalam 2 cara, menyimpan kedalam database hive

dan disimpan kedalam HDFS system atau tempat penyimpanan file pada hadoop

Hasil dari Analisis data log tersebut menghasilkan informasi mengenai Big data

dalam hal ini data log yang terdapat pada sebuah website atau server dengan harapan

dapat menggugah penerapan teknologi Big Data secara lebih luas serta file log tersebut

dapat dimanfaatkan hingga menghasilkan sebuah informasi yang berguna dari proses

analisis yang dihasilkan dari data log tersebut.

Kata kunci : Big Data, byte, hue, cloudera, mapreduce, hadoop, hue UI

I. PENDAHULUAN

Pada zaman serba canggih sekarang ini, sebagian besar komponen digital

teknologi yang ada, pasti menyimpan banyak data yang berasal dari setiap

aktifitas kehidupan kita, misalkan foto yang kita ambil, video yang direkam, status

di akun media social, dan lain lain. Dengan didukung trend teknologi yang

membuat smart semua perangkat elektronik dengan menghasilkan data kemudian

diolah agar bisa memberikan rekomendasi atau keputusan terbaik. Sehingga

membutuhkan tempat penyimpanan data yang sangat besar untuk data yang

dihasilkan dari perangkat elektronik.

Di Indonesia sendiri, penggunaan media elektronik seperti computer dan

handphone yang terakses dengan jaringan internet, tiap tahun semakin meningkat

drastic, dari kalangan anak-anak hingga orang tua pun mengakses internet. Hal ini

menunjukkan bahwa kebutuhan dan penggunaan teknologi oleh masyarakat saat

ini sangat meningkat. Akses dunia maya pun menjadi ramai terutama pada

website, setiap apapun yang dicari di google akan muncul beberapa website yang

menyediakan informasi yang dicari pada halaman kolom pertama. namun

sebenarnya ada ribuan website menyediakan informasi yang kita cari, tapi

mengapa yang muncul dihalaman pertama hanya beberapa website saja, tidak lain

karena website yang muncul pada halaman pertama merupakan website yang

paling ramai pengunjungnya.

Website tidak akan muncul jika tidak ada sebuah wadah didalamnya yaitu

sebuah server hosting. Disetiap server, pasti memiliki sebuah file log yang

bertugas untuk mencatat semua aktifitas pada web tersebut. Namun terkadang file

log tersebut tidak di gunakan secara optimal sehingga sering file log menjadi

sebuah file yang hanya memenuhi ruang space disk yang tidak digunakan hingga

akhirnya file tersebut dihapus.

Teknologi big data menjadi salah satu solusi untuk menyimpan data dan

mampu mengolah data salah satunya data log server. Yang memakai Hadoop agar

dapat menyimpan serta menganalisis data dalam skala besar tanpa memperhatikan

struktur dari data (Kementerian komunikasi dan Informatika, 2015) serta dapat

mengolah data dari file log server tersebut menjadi file yang lebih bermanfaat

bagi pemilik web maupun server.

Berdasarkan uraian tersebut, perlu adanya solusi guna mengatasi berbagai

masalah data tersebut. Salah satunya yakni dengan menggunakan salah satu dari

platform big data analitics yakni analisis data yang digunakan untuk data log

yang dengan sistem pengolahan data yang lebih terstruktur sehingga menjadi file

yang lebih berguna. Berhubungan dengan hal tersebut, penulis membuat analisis

dengan tema “ANALISIS BIG DATA LOG WEB DENGAN METODE

MAPREDUCE”.

II. TINJAUAN PUSTAKA

(Kusumanegara, 2014) yang meneliti tentang analisis performa kecepatan

MapReduce, dengan menganalsis aliran paket yang terdapat pada sebuah jaringan.

lalu aliran paket data pada jaringan tesebut dianalisis menggunakan hadoop yang

di dalamnya menggunakan model pemograman MapReduce. Tujuan dari

penelitian tersebut untuk mengimplementasikan sebuah program untuk mengolah

data aliran paket TCP pada sebuah jaringan yang dapat dijalankan secara

terdistribusi oleh hadoop. Sehingga menyimpulkan bahwa Apache hadoop

merupakan framework big data yang mampu menyimpan data tanpa

memperhatikan jenis data. Model pemograman yang dilakukan pada penelitian

tersebut, sama dengan penelitian yang dilakukan yakni sama-sama menggunakan

model pemograman MapReduce. Namun perbedaannya terlihat dari penggunaan

model pemorgaman MapReduce yang hanya digunakan untuk ,menganalisis aliran

data paket data TCP pada sebuah jaringan sedangkan penelitian yang dilakukan

menggunakan model pemograman MapReduce untuk menganalisis data log

server.

Pada penelitian kedua, (Purnama, 2014) meneliti tentang sentiment analisis

yang berbasis Big Data, dalam hal ini untuk mensorting pesan teks bahasa

Indonesia dari media social seperti Twitter atau Facebook, yang terdapat kata-kata

tidak formal sepeti penggunaan angka untuk mengganti alphabet, karakter

berulang vocal, dan menggunakan kata-kata informal yang umum menjadi kata-

kata resmi. hingga kemudian menyimpulkan bahwa sentiment analysis sangat

penting untuk mengetahui sejauh mana data keluhan masyarakat terhadap

pembangunan serta digunakan sebagai alat bantu untuk melihat respon masyarakat

terhadap pembangunan kota. Persamaan dari penelitian pertama dan kedua dengan

penelitian ini adalah sama-sama menggunakan Hadoop yang salah satu teknologi

dari Big Data, Adapun perbedaannya, penelitian pertama menggunakan model

pemograman MapReduce untuk menganalisis aliran paket data TCP pada

jaringan, pada penelitian kedua tidak menggunakan model pemograman

mapReduce, hanya melakukan sentiment analisis pada sebuah data, sedangkan

pada penelitian yang akan dilakukan menggunakan model pemograman

MpReduce untuk menganalisis data log server.

Pada penelitian ketiga, (Karya & Wijaya, 2015) merancang penelitian,

bagaimana penggunaan teknologi Hadoop yang digunakan pada sistem aplikasi.

Penelitian yangdilakukan lebih kepada pemahaman konsep Hadoop beserta

teknologi turunanya, dalam hal ini, perancang menerapkan prosessing hadoop

pada kasus aplikasi pembukuan UMK, yang kemudian menghasilkan data dari

hasil prosessing analisa dari penggunaan teknologi hadoop. Persamaan dari

penelitian pertama, penelitian kedua dan penelitian ketiga dengan penelitian yang

dilakukan yakni menggunakan Hadoop yang salah satu teknologi dari Big Data.

Adapun perbedaannya, penelitian pertama menggunakan model pemograman

MapReduce untuk menganalisa performa kecepatan data paket jaringan, penelitian

kedua tidak menggunakan model pemograman mapReduce, hanya melakukan

sentiment analisis pada sebuah data, penelitian ketiga menggunakan Hadoop

beserta seluruh komponennya seperti Spark untuk menganalisa sistem pada

android, yang terlihat agak berbeda dengan penelitian yang akan dilakukan,

dimana teknologi Big Data hadoop serta MapReduce yang digunakan hanya untuk

menganalisa data log server

Pada penelitian keempat, Data memiliki peran penting dalam pengambilan

keputusan strategis. Menurut (Vione, 2016) dalam penelitiannya tentang

Implementasi K-Means Clustering pada lingkungan Big Data menggunakan

model pemograman Mapreduce, pihak yang mampu mengelolah dan

memanfaatkan data-data yang tersedia dalam volume besar, cepat dan beragam

tentu dapat mengambil keuntungan yang besar. Menurutnya Semakin banyak

jumlah slave node maka semakin cepat proses komputasi. Persamaan dari

penelitian ini dengan penelitian yang sebelumnya dari penelitian pertama,

penelitian kedua, penelitian ketiga, penelitian keempat serta penelitian yang akan

dilakukan yakni, penggunaan teknologi Big data baik Hadoop maupun Spark

untuk menganalisis suatu data, Adapun perbedaaannya, penelitian pertama

menggunakan MapReduce yang merupakan model pemograman dari Hadoop

untuk menganalisa performa kecepatan dari paket data jaringan, penelitian kedua

menggunakan teknologi Hadoop untuk menganalisa sentiment dari Big Data,

penelitian ketiga menggunakan Hadoop beserta seluruh komponennya seperti

Spark untuk menganalisa sistem pada android, penelitian keempat menggunakan

model pemrogaman MapReduce untuk menghitung K-Means secara manual,

sedangkan penelitian yang akan dilakukan menggunakan model pemrograman

MpReduce untuk menganalisis data log pada server.

Pada penelitian terakhir, (Tumbel, Sitempu, & Hutagalung, 2017)

merancang sebuah penelitian untuk menganalisis Big Data yang berbasis Stream

prosessing. Dalam penelitian tersebut, perancang menggunakan data file CSV

yang diolah pada proses Spark Streamming. dengan berbagai macam tahapan yang

kemudian menghasilkan beberapa statistic dari hasil proses analisis data tersebut.

Persamaan dari penelitian ini dengan penelitian yang sebelumnya dari penelitian

pertama, penelitian kedua, penelitian ketiga, penelitian keempat serta penelitian

yang akan dilakukan yakni, penggunaan teknologi Big data baik Hadoop maupun

Spark untuk menganalisis suatu data. Adapun perbedaaannya, penelitian pertama

menggunakan MapReduce yang merupakan model pemograman dari Hadoop

untuk menganalisa performa kecepatan dari paket data jaringan, penelitian kedua

menggunakan teknologi Hadoop untuk menganalisa sentiment dari Big Data,

penelitian ketiga menggunakan Hadoop beserta seluruh komponennya seperti

Spark untuk menganalisa sistem pada android, penelitian keempat menggunakan

model pemrogaman MapReduce untuk menghitung K-Means secara manual,

penelitian kelima menggunakan teknologi Big data namun tidak menggunakan

Hadoop seperti pada penelitian yang akan dilakukan menggunakan hadoop dan

model pemograman mapReduce untuk melakukan analisis data log.

Adapun ringkasan dari penelitian yang akan dilakukan yakni penggunaan aplikasi

yang terdapat pada cloudera yang merupakan pengembangan dari teknologi big

data dalam hal ini hadoop untuk menganalisis sebuah data pada server website

guna menghasilkan file yang berisi informasi tentang website tersebut.

III. LANDASAN TEORI

3.1 BigData

Istilah Big Data telah menjadi topik dominan dan sangat dibahas dalam

dunia IT. Banyak pihak yang heran mengapa topic ini baru menjadi pusat

perhatian padahal ledakan informasi telah terjadi secara terus menerus sejak

dimulainya era informasi. Secara bahasa Big Data berarti suatu data dengan

kapasitas yang besar. Kebanyakan perusahaan-perusahaan terkenal pada saat ini

telah meberdayakan informasi dan data dengan beragam teknologi manajemen

data guna menunjang kemajuan bisnisnya. Dalam defenisinya, Big Data adalah

suatu sistem yang menggunakan NoSQL dalam memproses atau mengolah data

yang berukuran sangat besar, misalnya dalam skala petabyte. Namun selain itu

Big Data memiliki arti yang lebih kompleks sehingga perlu definisi yang sedikit

lebih kompleks pula demi mendeskripsikannya secara menyeluruh. Salah satu

defenisi Big Data yaitu data yang sudah sangat sulit untuk dikoleksi, disimpan,

dikelola maupun dianalisa dengan menggunakan sistem database biasa karena

volumenya yang terus berlipat. Big Data memiliki tiga karakteristik/atribut yang

dikenal dengan istilah 3V: Volume, Variety, Velocity.

3.2 Mapreduce

MapReduce merupakan model pemograman untuk mengimplementasikan

komputasi data yang terdistribusi pada sejumlah data yang besar beserta

framework yang besar pula. Proses pengolahan data pada beberapa kelompok

server komoditas. Pada awalnya dikembangkan oleh google dan dibangun di atas

prinsip-prinsip terkenal dalam beberapa proses parallel yang terdistribusi dalam

beberapa waktu (Lin & Dyer, 2010). MapReduce waktu itu telah banyak

digunakan secara luar dan di adobsi melalui sistem implementasi open source

yang akhir nya dikembangkan menjadi Hadoop, yang dalam perkembangannya

dipimpin oleh pihak Yahoo (sekarang menjadi proyek Apache). Hari ini beberapa

penyedia software mulai bermunculan guna mensupport hadoop, yang merupakan

proyek yang sangat berpengaruh bagi perkembangan industry dan akademik.

Proses map bertugas untuk mengumpulkan informasi dari potongan-potongan data

yang terdistribusi dalam tiap computer dalam cluster. Hasilnya diserahkan kepada

proses Reduce untuk di proses lebih lanjut. Hasil proses Reduce merupakan hasil

akhir yang dikirim ke pengguna.

IV. RANCANGAN PENELITIAN

Mapreduce merupakan sebuah model pemograman untuk pemrosesan data.

Model ini cukup sederhana namun tidak terlalu sederhana dalam menjalankan

program tertentu, karena pada dasarnya mapreduce bersifat parallel sehingga

sangat efisien dalam menganalisa data berskala besar. Prosesnya adalah

melakukan mapping atau pemetaan suatu reduce yakni pengurangan atau

penggabungan data-data yang sama. Sedangkan detail dari proses map dan

reducenya tergantung dari data apa yang ingin didapatkan. Mapreduce dipilih

sebagai metode pada penelitian kali ini karena dapat membantu organisasi dalam

memproses dan menganalisa data multi-struktur dengan volume yang sangat

besar. Contoh penerapannya antara lain adalah indexing, searh, analisa grafik,

analisa teks, machine learning, transformasi data dan lainnya.

Dalam kasus ini, ingin menganalisa data dari sebuah file log yang berisi data

dari setiap aktivitas yang terjadi pada sebuah website baik ukuran yang sedang

atau skit maupun dengan ukuran file yang sangat besar yang dapat diproses oleh

mapreduce.

Gambar 4. 1Proses Map dan Reduce (Bambang, 2009)

1. Proses Map

Data dari file log yang di import pada Hue UI akan di proses

menggunakan Hive yang sebenarnya merupakan sebuah API

(Application Programming Interface) untuk menjalankan Mapreduce.

Langkah awal yang dilakukan oleh mapreduce sendiri adalah dengan

terlebih dahulu membaca tiap baris dari setiap kata yang terdapat pada

file log. karena pada dasarnya file log tersebut sama seperti file yang

berformat text, artinya file yang berisi data berupa text. Tiap baris pada

file log tersebut memiliki data-data yang terdiri dari tanggal dan waktu,

ip address, akses halaman, kode akses halaman, dan lainnya.Namun

setiap server, OS, maupun aplikasi lainnya memiliki format data log

yang berbeda-beda. Kemudian setiap kata dari file log yang telah dibaca

akan membuat sebuah map atau pemisahan dari setiap kata-kata tersebut

menjadi beberapa pengelompokkan kategori berdasarkan key dari data

berkeriteria yang sama untuk kemudian membuat sebuah nama dari jenis

tiap karakteristik data yang ada atau bisa disebut nama kolom. Kolom-

kolom dibuat berdasarkan tiap data yang memiliki kriteria data yang

sama dari file log tersebut, misalkan data 127.0.0.1 yang diselaraskan

dengan data yang lain dengan angka yang sama seperti 192.168.0.0.1

dan data dengan angka atau huruf yang sama lainnya kemudian di proses

dengan mapping lalu terbuatlah sebuah kolom dengan nama ip address

atau ip host. Begitupula dengan data yang lain seperti 2017-04-13 lalu

disamakan dengan data lain yang memiliki kriteria yang sama seperti

2018-04-01 dan lainnya, maka dari data tersebut akan membuat sebuah

kolom dari hasil proses mapping yang nkemduain menjadi sebuah

kolom date atau tanggal. Proses ini terus terus berjalan sampai akhirnya

tidak lagi ditemukan data dengan format atau karakteristik yang sama.

2. Proses Reduce

Pada tahap ini, reduce mengambil output dari hasil proses map seebagai

masukkan dan penggabungan atau pengelompokkan data ke satu set data

yang di proses secara berurut. Proses reduce biasnya selalu dilakukan

setelah proses map. Proses yang dilakukan reduce adalah melakukan

sorting atau pengelompokkan dari data log yang telah dimapping

disesuaikan dan diurutkan dengan kata-kata atau jenis data yang sama.

Sama seperti pada proses mapping, setiap baris dipilih sesuai dengan

karakteristik data yang sama, namun pada proses mapping yang

dilakukan hanyalah memisahkan data dengan membuat beberapa jenis

kolom yang berbeda, sedangkan reduce memproses data dengan

mengurutkan karakteristik data yang sama pada kolom yang telah di

sesuaikan oleh proses mapping. Contohnya pada kasus ini dari hasil

mapping data log yang telah di proses, menghasilkan beberapa nama

kolom seperti ip_address, lalu pada proses mapping didapatlah beberapa

data seperti 127.0.0.1, 192.168.0.1, dan lainnya dimana data tersebut

merupakan sebuah data ip pengunjung yang kemudian reduce menyusun

data tersebut kedalam barisan kolom ip_address, begitupula dengan

proses pada baris kata yang lainnya akan terus diproses hingga tidak

ditemukan lagi kata-kata atau baris angka yang memiliki karakteristik

dengan angka atau huruf yang sama. Setelah itu reduce akan

menjumlahkan total dari kata-kata atau angka dari setiap kolom yang

telah dipisahkan.

V. HASIL DAN PEMBAHASAN

Dari semua proses analisa data log tersebut menghasilkan beberapa data

yang menjadi kan file yang tadinya tak terpakai menjadi sebuah informasi yang

dapat dimanfaatkan oleh pemilik website. Berikut merupakan rangkuman singkat

dari semua proses analisa data yang terlihat pada Gambar 5.1

Gambar 5. 1 File log yang belum di analisa

Gambar 5.1 merupakan tampilan dari data log sebelum di analisis

menggunakan hue ui. terlihat sangat bahwa data dari file log masih acak dan tidak

berurutan yang sekilas terlihat seperti file spam sehingga susah untuk digunakan

atau dibaca oleh pemilik web.

Gambar 5. 21 File log yang telah dianalisa

Gambar 5.2 merupakan hasil dari file log yang telah dianalisa menggunakan

Hue UI, yang tadinya data masih acak dengan tulisan memanjang tidak teratur lalu

setelah dianalisa menggunakan Hue UI menjadi data yang dapat mudah dibaca

yang di pisah dan diurutkan berdasarkan kolom yang sesuai dari setiap data

tersebut, sehingga dapat menjadi sebuah informasi bagi pemilik website untuk

meningkatkan pengunjung ataupun mendeteksi kerusakan dan penyerang apabila

website terkena serangan dari hacker yang tidak bertanggung jawab. Hasil dari

analisa tersebut kemudian dirangkum untuk dijadikan sebuah data statistic yang

dilakukan dengan menggunakan data yang diperoleh dari hasil konversi data yang

bertipe file log diproses dengan bantuan aplikasi Hue UI. kemudian data

dikelompokkan berdasarkan kolom data dimana nantinya data tersebut dapat

digunakan sebagai informasi bagi pemilik website, untuk kepentingan

pembatasan jumlah data, dilakukan penyaringan data untuk log akses pada tanggal

yang sama.

VI. KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan penelitian yang telah dilakukan mengenai analisis data log

dapat disimpulkan sebagai berikut.

a. Analisis data log menggunakan aplikasi hue yang merupakan bagian dari

cloudera ini dapat mengolah data log tersebut dengan baik sehingga data

tersebut tidak terbuang sia-sia yang kemudian dapat membantu pemilik

website untuk memonitor semua aktifitas yang terjadi pada web dari

jumlah pengunjung, halaman yang dikunjungi, lokasi pengunjung,

kerusakan yang terjadi pada website, waktu pengunjung, dan lainnya.

b. menjadikan data log website yang tadinya menumpuk tidak terpakai

menjadi sebuah data informasi yang mudah dibaca.

6.2 Saran

Dalam proses penelitian yang telah dilakukan tentunya terdapat beberapa

kekurangan yang nantinya dapat dikembangkan lagi menggunakan ide yang lain.

a. Platform yang digunakan dapat dikembangkan oleh pihak pembuat

platform cloudera dengan memperkecil ukuran serta besarnya kinerja serta

menyesuaikan dan mengubah kernel pada system cloudera agar bisa

digunakan pada spesifikasi hardware yang lebih kecil dan dapat digunakan

pada setiap jenis sistem operasi yang ada seperti linux, mac, windows dan

lainnya.

Platform yang digunakan dapat dikembangkan oleh pihak pengembang

dengan menambah fitur hue pada menu indexe agar langsung dapat mengimport

file log yang berukuran lebih besar.

DAFTAR PUSTAKA

,

Karya, G, dan Wijaya, C., 2015, Eksplorasi Teknologi Big Data Hadoop untuk sistem

aplikasi berbasis komunitas studi kasus : aplikasi pembukuan UMK, Universitas

Katolik Parahyangan, Bandung.

Kementrian Komunikasi dan Informasi., 2015, Buku saku big data, Jakarta.

Khusumanegara, P., 2014, Analisis Performa kecepatan Mapreduce pada Hadoop

menggunakan Tcp Packet Flow, 72, Universitas Indonesia, Jakarta.

Lin,J.,& Dryer,C.,2010.Data-Internsive Text Processing with MapRedue.umi,3(1),1-177.

Purnama,I.K.E.2014.Sentiment Analysis berbasis Big Data. Rekayasa Teknologi Industri

dan Informasi, 142-149, Institut Teknologi Sepuluh Nopember, Surabaya.

Pratama,Adnan., 2013, Teknologi Big Data dengan Hadoop.

https://medium.com/skyshidigital/teknologi-big-data-dengan-hadoop-

d8a2e93791a8, diakses 9 Juli 2018, pukul 16.20 WIB.

Tumbel,C.Z.,Sitepu,H.,& Hutagalung, M.2017.Analisis Big Data Berbasis Stream

Procesing Menggunakan Apache Spark. JurnalTelematika, 11(1), 6, Institut

Telnologi Harapan bangsa, bandung.

Vione, E. 2016. Implementasi K-Means Clustering pada lingkungan Big Data

menggunakan model pemograman Maprduce, Universitas Sanata Dharma,

Yogyakarta.

Dr.Mesterjon, M.kom, ET, 2016, Extract Transform Load, Diakses 2 September 2018,

dari https://www.softbless.com/ETL-Indonesia.